人工智能和机器学习助力情报界进行关键决策

人工智能和机器学习将有助于提高未来情报分析人员的工作效率，增加获得和保持竞争优势或时间优势的机会。数字化转型、多域数据集成和算法战将是情报集团保持长期竞争优势的核心。

2017年7月，参谋长联席会议主席发布了联合出版物JP1《美国武装部队条令》的修订版，将“信息”作为新的第7项联合职能。这一变化预示着联合部队计划和实施跨地区、多域和多职能行动的方式将发生重大变化。同样地，这为重新思考“联合军种”在21世纪战争中的内涵提供了机会。

在可预见的将来，战争极有可能以前所未有的形式展开，武器和战术都让美国措手不及。今天的弹道导弹飞越海洋需要几十分钟，但未来的高超音速武器可能只需要几分钟。城市战争可能在超连接的城市中爆发，天上的传感器也许只能提供有限的信息，而无处不在的地面传感器则可以为分析人员提供海量的数据供其挖掘。在网络领域，当操作员检测到一次“发射”时，那枚武器可能已经抵达了目的地，并收获了预期的效果。对卫星的攻击、经济攻击以及隐蔽的影响活动，都会在暗中进行，人们发现时已为时过晚。

数据的向量、体积、速度、多样性和普遍性正在改变国家安全政策、军事行动和情报活动的传统工具和方法。影响范围只会越来越大并且变化速度也只会越来越快。在“信息就是力量”这一格言的指导下，社会创造的技术能够产生海量的结构化和非结构化的数据，其规模之大足以颠覆以往所有的谍报分析技术和模式识别。2017年1月，美国国防创新委员会表示，不管是谁，只要收集并组织了最多有关美国及美国对手的数据，都将保持技术优势。如果我们不能将数据作为战略资产，就会把宝贵的时间和空间拱手让给竞争对手。

美国情报界（IC），包括国防情报事业，都不光面临着纯粹规模上（数量和速度）上的挑战，还面临数据越来越复杂（多样性和准确性）的严峻挑战。情报界面临的挑战是获取、管理、关联、融合和分析各机构之间以及与盟国和伙伴之间不断增长的数据。在我们的经验中，情报界中的数据以太多不同的格式生成，在太多的不连接或不可访问的系统中生成，没有标准化的结构，也没有统一的本体。这种情况有可能导致收集浪费、缺乏及时性、指示和警告漏报以及缺乏决策相关性等风险。其结果是，无法在情报周期早期融合数据构建多源情报，并尽可能接近收集点。分析师的任务太艰巨、太繁琐，而且还需要清除太多障碍，以向决策者和作战人员提供及时和相关的分析判断或可操作的情报。

这些挑战可以用下列方法应对：

使用能够解析数据、从数据中学习，然后做出响应的机器学习算法；

鼓励情报专家的创造力和深度思考；

设计策略、信息技术（IT）、敏捷获取和安全环境，使人机交互能够蓬勃发展。

这些问题不可能只在任何一个机构、一个项目或情报部门内得到解决。我们认为，迫切需要以创造性的方式来适应这种新环境，其中必须包括利用能够操纵和理解大数据的系统和机器来提高情报界的技术和操作优势，并推进人机和机器协作，这样情报分析人员就能够最好地利用他们的时间来处理最困难的问题。

同时，机器学习“黑匣子”的不可预见性仍然存在严重问题，这种“黑匣子”能人类操作员无法解释的方式产生解决方案。人工智能（AI）系统创造它们自己的语言，并教会了自己如何使用人类没有教授也无法理解的策略来玩游戏。这些影响在国家安全系统中仍是未知且未经过检验的，而且其中大部分仍未得到研究。

未来的战场

未来的战斗空间不只由船只、坦克、导弹和卫星组成，还包括算法、网络和传感器。同历史上任何时期一样，未来的战争将在卫星系统、电网、通信网络和运输系统的民用和军事基础设施以及人的网络内进行。这两个战场——电子战场和人类战场——都容易受到敌手算法的操纵。

在电子环境中，算法已经被用于监测和控制大多数关键基础设施领域（电力、水、粮食、金融、通信等）。俄罗斯和中国已表示有兴趣测试美国这些系统的能力和弱点，情报机构需要能够融合多源数据，以了解对手活动和预期结果。

为了破坏人际网络，人事管理办公室违规的政府工作人员会窃取个人数据，为对手提供了丰富的数据集，使其能够针对每一位军事领导人或决策者量身定制隐秘的影响活动。如果将这些数据与Equifax公司被盗的财务记录、雅虎的电子邮件记录、Anthem health保险公司的医疗信息以及其他来源的数据结合起来，算法可能会生成针对美国的高度复杂、个性化且隐秘的影响活动。北大西洋公约组织军事部队最近报告说，在一个不那么复杂的战役中，俄罗斯在军事训练演习期间窃听了美国士兵的电话，以“获取作战信息、衡量部队兵力和恐吓士兵”。

融合来自不同数据集的大量数据并提供有意义的答案正是人工智能和机器学习的用途所在。只要商业部门能够找到使用数据预测消费者可能购买的汽车或牙刷品牌的方法，供应商就会出售识别用户偏好和弱点的功能，情报人员可以在心理层面发现用户的精确偏好和弱点。

美国面临着让对手加速并窃取竞争优势的风险。中国为人工智能制定了一项国家战略，承诺今后5年在人工智能技术上投资数十亿美元。中国研究人员发表的关于人工智能的期刊文章也比美国同行更多。中国人民解放军的战略家正在为一个人类无法跟上战场决策脚步的世界做准备。

在美国，最近公布的《国家安全战略》和《国防战略》都提到了人工智能和自主系统对国家安全和战争的重要性。然而，除了2016年《国家人工智能研究和发展战略计划》（主要侧重于研究和开发），美国目前还没有一个全面的人工智能国家战略。

前Alphabet(谷歌母公司)CEO兼国防创新咨询委员会主席埃里克·施密特描述了中国与美国相比在人工智能方面取得的进展：“到2020年，中国将赶上美国。到2025年，中国将比美国做得更好。到2030年，中国将主导这个行业。”

面临失败风险的情报工作

未来的情报技术将取决于数据访问、围绕数据塑造正确的企业架构、开发基于人工智能的能力，通过人机协同工作极大加快对数据的语境理解，以及不断增长的能够在海量数据中操作和定位的分析技能。情报界需要开发用于访问、安排和分析数据的谍报技术和方法，包括结构化分析技术和用于机器智能的分析谍报技术标准。新技术的发展速度超过了国防部和情报界实施、培训和有效利用这些技术的能力。

在国防情报事业中，对收集器和传感器的投资正在大幅提升传感器收集数据的能力。美国国防部为无人系统描述了一个蓝图，为数以千计的无人空中、海上和地面系统制定了一个计划，但还没有明确的路径来确定如何分析这些系统中的所有数据，从而创造出价值。这是对空间系统和公开可用的非机密系统的补充。收集能力的提升，包括高度机密的精密传感器的应用，不一定等同于更多或更好的情报和方向，尤其是在面对那些可能同样善于适应信息环境的竞争者时。

由香农（Shanahan）中将领导的国防部项目Maven的目标是，克服人类情报分析员无法有效地处理各个领域的大量收集活动的有限性，这一困境被称为“成功的灾难”。作为一个起点和探索性项目，前国防部副部长罗伯特·沃克委托Maven团队寻找人工智能和计算机视觉的解决方案，以增强、放大和自动利用无人飞行系统的全动态视频。

目前的情报工作涉及从大量的跨学科（跨情报）信息集中提取有价值的信息——就像找一根藏在草堆里的针。在收集和储存的大量干草里，希望最终能找到所有藏在里面的针。在一个更加以数据为导向的时代，越来越有可能从总体数据（例如时间和地理空间行为模式）中提取价值情报。这可能导致一个具有讽刺意味的两难局面，即人类有太多的数据而无法有效地搜索那一根“针”，同时又没有足够的可获取的数据来获取和验证有用的情报。

下一个问题是，一旦获得情报，该如何处理它。军事部门正在开发和采购对数据和情报的渴求比以往更加强烈的作战系统，并且情报任务数据必须在采购周期中以可摄取的数据结构和作战系统能够处理的分类层次尽早被转移到这些系统中，然后要频繁更新并尽快用于作战。同时，在政策界，当机密情报来得太慢或过于机密而没有用处时，决策者会越来越多地依赖非机密的开源信息。

美国空军上校约翰·博伊德在关于观察、调整、决策和行动（OODA循环）的开创性研究中，强调了以一种对手无法理解或跟得上的节奏作战的重要性。在对手的OODA循环内进行操作，可以通过扰乱或扭曲对手的心理图像来帮助实现这些目标，这样他就不能评估或应对周围发生的一切。在当今快节奏和不断变化的数据驱动时代，“信息领先”或“信息优势”这两个术语是不现实的；相反，“时间优势”可能产生最好的结果。然而，即使这样，如果美国作战人员可以留在对手的OODA循环中，同时以富有想象力的方式使用数据来扭曲对手的方向的话，这也足以占上风。

人工智能和机器学习通过在数据到达时实时地了解数据，以毫秒为单位评估选项并启动一个动作，从而为加速OODA循环的每个步骤提供了机会。此类决定可包括在操作人员有时间阅读警报或在预先确定的一组经批准的参数内启动响应之前对指示和警告作出响应。机器学习为缩小OODA循环的前两个阶段提供了机会，极大地增加了人类加速决策和采取行动的潜力。

我们很可能会面临一个算法与算法进行对决未来，这让我们质疑21世纪的作战人员是否会把几分钟的决策时间看作是过去的奢侈遗物。

可及范围内的解决方案

情报机构能够而且应该投资于跨领域、跨项目和跨学科的机器学习能力，并要求情报人员最大限度地利用这些能力。在隔离区、专有数据库和算法无法到达的机密领域中，保留的任何数据都需要情报人员进行人工整合、延迟情报评估、并创建受保护的数据气泡，以防情报分析人员无法看到内部全貌，导致在情报分析时无法考虑所有情报来源。这一情景威胁到“按需知密”（need to know）的原则，并将迫使收集和分析部门，包括反间谍和安全办公室，将来自外部的威胁和来自内部的威胁调和起来。数据保护策略可以让算法访问人类分析人员无法查看的数据字段，不过这也取决于人类对机器的信任程度以及如何对机器工作的漏洞（包括自然发生的和敌人制造的）进行审计。

要达到这种终结状态，应该考虑几件事情。

首先，要找到任何情报问题的答案，必须先提出这样的主张：每个分析员都需要来自各种可能来源的所有潜在相关数据。这意味着要在经典演绎法（寻找已知的未知数）和归纳（综合发现未知数）分析方法之间找到一个不同的平衡点。它还要求采取不同的收集方法，因为所有数据在收集之后的很长时间内都可能是相关的，并且应能够在可发现的档案中被查阅；这样做的过程在很大程度上取决于数据集是否包括有关美国人和其他受保护实体的信息，同时数据控制和数据质量保证也是必不可少的功能。

机器学习和人工智能的广泛融合将为欺骗行为提供新的机会，而欺骗行为则来自于被改变或操纵的数据。反人工智能的言论将甚嚣尘上，而影响行动将在新的尚未被理解的层面进行，这都需要重新强调以进攻和防御认知为中心的行动。情报分析人员需要被培训，以了解如何识别对手篡改或操纵数据的企图，其中还包括了解如何最大限度地利用人工智能，以防止甚至更为复杂的影响行动达到其预期的行动结果。

第二，数据不会被视为IT问题；相反，IT系统应该由它们所解决的操作问题组成。这就需要从封闭的专有架构和不可持续的数据标准的缺乏，转向开放架构和敏捷方法（开放的架构和新技术和应用程序的快速瞬时采用），任何分析师都可以随时查找和获取任何来源的任何数据。更常见的情况是，算法被移动到数据中，而不是试图将数据移动到算法中。全局云解决方案对于集成、针对人工智能的所有方面进行优化都必不可少的，而不再是仅仅用于数据存储或搜索。我们必须掌握数据访问，以便为机器学习和人机合作提供动力。反过来，快速的数据访问需要有效的数据管理，这就需要新的技能和专门知识，例如数据架构师和数据科学家。跨所有安全域的网络访问、对所有相关数据类型的访问以及对颠覆性技术的敏捷集成是实现和保持决策优势的关键。

第三，公开可用的信息和开源信息将为我们的情报知识提供第一层基础。这就需要从“认为最高机密情报是最可靠的”到“接受和整合非传统和非机密来源”的重大转变。从所有其他情报学科中收集的精准资料将增强基础情报，并填补现有知识空白。当机密性不再是信息具有情报价值的必要条件，这就颠覆了60年的范式并对“情报”概念提出了挑战。

第四，将联合和组合的分析人员队伍从工业时代生产线处理和利用单一的数据收集流程，转变为一个信息时代的企业模式，在这种模式下，一些分析人员与联盟、国家和国际伙伴充分结合，进行多源和全源的关联和融合。将情报数据分层是一个不错的开始，但这还不够。更要为决策提供时间和空间，这既需要人的决策，也需要人工智能系统的决策。这样还引入了更广泛的问题，即分析工作队伍未来的广度和深度的平衡。培训需要更加注重分析中的综合与创新能力。

最后，上述解决办法将需要对人力资本、预算编制、收购以及研、发的情报界生命周期进行一次革命。持续2年甚至更长时间的雇用和安全审批流程将导致2年前（在一个数据驱动的世界中，这就意味着一个时代）处于行业领先地位的雇员入职，而对于事业中期雇员的招聘，职位要求具有政府的价值经验，而不是商业和学术部门的科学、技术和分析经验。在最好的情况下，国防部和情报界面临着在4年规划、方案拟订、预算编制和执行过程中制定多年预算战略的挑战，而在今天这个长期持续决议的环境中，制定预算战略只是一种美好的愿望，并不会经常发生。情报机构一再尝试使用一小部分预算和“创新办公室”来创建创新的收购改革，但当这些解决方案在跨国家或军事情报项目中会停滞不前。

改变情报界传统的采购程序，需要一代订约官员，他们拥有培训经验和资源来管理对合同程序的全面改革，他们要将重点放在质量、结果和相关性的速度上，而不是被技术上可接受的最低价格所桎梏。采用敏捷方法将有助于加快技术开发、实施和改进的步伐。最后，每项改革都将创造一个环境，让研发（R&D）办公室（在情报界机构和军事服务部门）能够蓬勃发展。研发机构需要最优秀的技术专家在收集者、分析者和行业供应商之间建立伙伴关系，他们需要来自订约官员的积极主动的支持和有效的预算环境，以取得成功，最终助力于形成一种可用于人工智能的原型战争文化。

结语

我们的提议至少有一个致命弱点，美国应该为其做准备并减轻其影响：对技术的过度依赖。即使在自主系统的时代，战争仍将是人类的主场。如果国家要与技术落后的敌人作斗争，例如在阿富汗的山区或非洲的丛林，作战人员和情报官员就面临着过于依赖需要大量数据的系统的风险。另一种情况是，有朝一日，美国可能会与一个发现并利用我们技术弱点的敌人作战，他能蒙蔽我们的作战人员，或以新的和有创意的方式使用数据来对付我们。鉴于这两种情况，美国仍将重视在低技术测试和可靠的谍报技术和解决方案方面熟练的情报分析员和作战人员的价值。

最好的情报分析来自艺术与科学的恰当融合。今天，情报的艺术可能和2000年前一样。然而，不同的是，有必要大大加快以数据为中心的谍报技术的发展速度。分析人员必须具备处理大量信息所需的工具，使他们能够缩小情报差距，以数据速度取得更好的作战成果。

人工智能和机器学习将有助于提高未来情报分析人员的工作效率，增加获得和保持竞争优势或时间优势的机会。数字化转型、多域数据集成和算法战将是情报集团保持长期竞争优势的核心。这既是战略创新，也是战术或分析师层面的创新，二者缺一不可。

情报界正在利用人工智能和机器学习进行关键决策。尽管在16年间的持续反恐和反叛乱行动中存在一些固有不利因素，但国际反恐怖主义委员会建立了一支经验丰富、训练有素的分析人员队伍，与世界上任何其他机构都不同。情报界最大的潜在非对称优势仍然是它能够快速理解数据并保持在对手的OODA循环中。美国和它的对手会不会放慢他们机器的速度，以人类思维的速度来维持在一个OOAD循环中？或者每个国家都会尽最大可能追求人工智能，并担心如果不这么做它的对手就会取得先机么？是时候让情报界来决定如何回答这些问题了。